A comparison of firefighter mental health education programs: A descriptive thematic analysis of firefighter experiences
Notice bibliographique
Résumé
BACKGROUND: In response to the inherent critical incident exposures experienced by firefighters, various mental health education programs have been developed. The purpose of this study was to explore the perceptions of firefighters who took such programs to understand differences/similarities across these programs. METHODS: We recruited 14 participants, who had taken or delivered two or more programs for firefighters (Resilient Minds (RM), Road to Mental Readiness (R2MR), and Before Operational Stress (BOS)). Participants participated in semi-structured interviews, which explored information that they learned, recalled, used, and their preferences. Data was analysed using thematic analysis. RESULTS: Participants believed that all programs had some shared teaching methods, goals, skills, and topics; however, each program had key focuses/distinctive features. RM was said to be largely group participation and focused on assisting yourself, peers, and citizens. R2MR and BOS was said to be largely lecture style with a focus on the self. 70 % of participants who took RM (n = 7) and one other course preferred RM due to the specificity of training to firefighters, more active teaching methods, and focus on practical skill development. Others (43 %) had no program preference. Participants suggest that a tiered approach to mental health education would benefit firefighters. CONCLUSIONS: All programs were seen as helpful. Despite some congruency in goals and content, most firefighters preferred RM because the content was fire-specific, and the pedagogical approach was seen as more active and engaging. Program characteristics are important to facilitate appropriate program selection, as such, programs should be explicit about these aspects.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».